Post on 26-Sep-2018
transcript
Escuela de Postgrado GERENS
Maestría en Gestión Minera
MMBA - 2014
“EVALUACION DEL IMPACTO DE LA ACCIDENTABILIDAD EN LA
PRODUCTIVIDAD DE LAS MINAS PERUANAS:
CASO DE ESTUDIO: EMPRESAS DE LA BVL EN LA GRAN Y
Y MEDIANA MINERIA”
Trabajo de investigación presentado de acuerdo a los reglamentos de la
Escuela de Postgrado GERENS para obtener el grado de Magíster en Gestión
Minera, por:
Jhon Randy Baldera León ____________________
Jorge Felipe Medina Ruesta ___________________
Luis Carlos Uriarte Pérez ___________________
ASESORES: Arturo Vásquez Cordano y Rodrigo Prialé Zevallos
Lima, 26 de Julio del 2017
ii
© Jhon Randy Baldera León, Jorge Felipe Medina Ruesta, Luis Carlos Uriarte
Pérez, 2017
Todos los derechos reservados.
iii
DEDICATORIA
Nuestra tesis la dedicamos con mucho amor y cariño a nuestras queridas
esposas que con su esfuerzo y sacrificio han permitido avanzar en nuestro
desarrollo personal a través de esta maestría.
A nuestros compañeros y amigos quienes compartieron sus conocimientos,
alegrías y tristezas y a todas aquellas personas que durante estos dos años
estuvieron a nuestro lado apoyándonos a lograr nuestros objetivos
iv
Nuestro mayor agradecimiento a toda la Plana
Docente de la Escuela de Postgrado GERENS,
al Doctor Eduardo Litano Boza y al Magister
Walter Sánchez Sánchez por su valioso apoyo
en la elaboración de nuestra tesis
v
Resumen Ejecutivo
La salud y la seguridad de los trabajadores es un objetivo principal de las
Empresas Mineras y el estado, su mejora logra disminuir las lesiones
personales, reducir las pérdidas de tiempo, incrementar la productividad,
disminuir perdidas de capital y disminuir los riesgos de conflictos sociales. La
seguridad es necesaria para velar por el bienestar de los trabajadores y para
mantener una seguridad adecuada en las minas, las empresas deben aplicar
acciones permanentes y tener índices de siniestralidad bajos.
Un trabajo seguro, es un desempeño bien hecho y productivo, por lo que se
puede concluir que a mayor seguridad mayor será la productividad de la
empresa. Una correcta gestión de los riesgos aportará a la productividad en el
corto y mediano plazo, pero en el largo plazo será una base importante para
mantener la sustentabilidad de la empresa.
Debido a que la información sobre costos mineros no es fácilmente accesible,
los estudios sobre productividad minera no son muy frecuentes.
El objetivo principal del estudio es evaluar el impacto de la accidentabilidad en
la productividad de las minas peruanas, y probar estadísticamente que tiene un
efecto negativo muy significativo sobre la productividad.
El estudio se basa en el análisis estadístico de los índices de accidentabilidad y
de productividad obtenidos, entre los años 2010 y 2014 de operación, por las
diferentes minas metálicas peruanas tanto del tipo subterráneas como las del
tipo superficiales y que cotizan en la Bolsa de Valores de Lima. Los datos e
información básica se han obtenido de OSINERGMIN y de la Bolsa de Valores
de Lima.
En la sección 5 se describe el marco legal por el cual están normados los
procedimientos, índices y responsabilidades relacionados a los accidentes
laborales, el Reglamento de Seguridad y Salud Ocupacional en Minería
D.S. N° 024-2016-EM y la Ley N°29783 sobre Seguridad y Salud en el
Trabajo. Así mismo se entregan antecedentes que ayudan a contextualizar de
vi
mejor forma los alcances de esta tesis. Los estudios clasifican accidentes,
formulan hipótesis y los verifica por medio de modelos, también se hace una
comparación entre los más recientes e importantes
Como hipótesis de la investigación se tiene H1= “El incremento de los índices
de accidentabilidad influye negativamente en la productividad de las minas”.
También se definen las variables del modelo conceptual y la terminología
empleada.
El propósito del presente trabajo de investigación es analizar el efecto de las
variables, índice de accidentabilidad, ICA; eficiencia de uso de los activos fijos
o productividad de los activos fijos, AFTMD; trabajadores de terceros, TERC;
capacidad de producción diaria, TMD; sobre la productividad, PR, de las
empresas mineras durante el periodo 2010-2014. La unidad de análisis está
conformada por 15 compañías mineras nacionales representativas cuyos
valores listados se cotizan en la Bolsa de Valores de Lima. Están incluidas 10
empresas del tipo subterráneo y 5 del tipo superficial.
En la sección 6 se indica el método de recolección de datos y se analiza el
impacto de los determinantes sobre la variable endógena, PR, en el periodo de
referencia, bajo el modelo de datos de panel mediante el uso del software
estadístico de aplicación económica, Econometrics E-views para el análisis de
los datos en series de tiempo e información de corte transversal. Los modelos
de datos de panel combinan datos de corte transversal y un periodo de tiempo,
para nuestro caso el anidamiento de los datos se hace a través del modelo de
efectos aleatorios, el cual fue definido a través del Test de Hausman.
Están definidas las variables del modelo, y luego de realizar un análisis
descriptivo y un análisis correlacional se obtiene la forma matemática del
modelo. Este modelo explica también que la productividad está muy
influenciada por el método de explotación aplicado y la capacidad de
tratamiento de las minas.
Finalmente se incluyen algunas conclusiones que reflejan el propósito del
presente estudio, y algunas recomendaciones para mejorar el desempeño
general en materia de seguridad y su diagnóstico.
vii
Executive Abstract
The health and safety of the workers is a main objective of the Mining
Companies and the state, its improvement manages to reduce personal injuries,
reduce time losses, increase productivity, decrease capital losses and reduce
the risks of social conflicts. Safety is necessary to ensure the welfare of workers
and to maintain adequate safety in mines, companies must take permanent
actions and have low accident rates.
A safe job, is a well done and productive performance, so you can conclude that
the greater security will be the productivity of the company. Correct risk
management will contribute to productivity in the short and medium term, but in
the long run will be an important basis to maintain the sustainability of the
company.
Because information on mining costs is not easily accessible, studies on mining
productivity are not very frequent.
The main objective of the study is to evaluate the impact of the accident rate on
the productivity of the Peruvian mines, and to prove statistically that it has a
very significant negative effect on productivity.
The study is based on the statistical analysis of the accident and productivity
indexes obtained between the years 2010 and 2014 of operation by the different
Peruvian metallic mines, both underground type and of the surface type, and
which are listed on the Stock Exchange from Lima. The data and basic
information have been obtained from OSINERGMIN and from the Lima Stock
Exchange.
Section 5 describes the legal framework by which procedures, indexes and
responsibilities related to occupational accidents are regulated, the Safety and
Occupational Health Regulations in Mining DSN ° 024-2016-EM and Law No.
29783 on Safety and Health at Work. Also given are antecedents that help to
better contextualize the scope of this thesis. Studies classify accidents,
formulate hypotheses and verify them by means of models, also makes a
comparison between the most recent and important ones.
viii
As a hypothesis of the investigation we have H1 = "The increase in accident
rates has a negative impact on the productivity of the mines". The variables of
the conceptual model and the terminology used are also defined.
The purpose of this research is to analyze the effect of variables, accident rate,
ICA; Efficiency of use of fixed assets or productivity of fixed assets, AFTMD;
Third-party workers, TERC; Daily production capacity, TMD; On the
productivity, PR, of the mining companies during the period 2010-2014. The
analysis unit is made up of 15 representative national mining companies whose
listed securities are listed on the Lima Stock Exchange. There are 10
companies of the underground type and 5 of the superficial type.
Section 6 shows the data collection method and analyzes the impact of the
determinants on the endogenous variable, PR, in the reference period, under
the panel data model using the statistical application software, Econometrics E-
views for the analysis of the data in time series and cross-section information.
The panel data models combine cross-sectional data and a period, in our case
the nesting of the data is done through the random effects model, which was
defined through the Hausman Test.
The variables of the model are defined, and after performing a descriptive
analysis and a correlational analysis the mathematical form of the model is
obtained. This model also explains that productivity is strongly influenced by the
method of exploitation applied and the treatment capacity of the mines.
Finally, we include some conclusions that reflect the purpose of the present
study, and some recommendations to improve overall safety performance and
diagnosis.
ix
INDICE
RESUMEN EJECUTIVO v
EXECUTIVE SUMMARY vii
CAPITULO 1: INTRODUCCION Y MOTIVACION DE LA TESIS 1
1.1. Objetivos de la tesis 3
1.1.1. Objetivos Generales 3
1.1.2. Objetivos Específicos 3
1.2. Preguntas de la investigación 4
CAPITULO 2: JUSTIFICACION DEL ESTUDIO 5
2.1. Deficiencias/vacíos actuales en el conocimiento del problema 5
CAPITULO 3: MARCO CONCEPTUAL 6
3.1. Marco Legal 6
3.2. Estudios recientes sobre Accidentabilidad y Productividad 6
3.2.1. Comparación Internacional de Sistemas de Salud y Seguridad
Laboral 6
3.2.2. Análisis de Índices de Accidentabilidad en la Construcción
de Proyectos EPCM para la Minería 7
3.2.3. Evaluando el riesgo y regulando los estándares de seguridad
en la industria del petróleo y gas: La experiencia Peruana 8
3.2.4. Midiendo la productividad en la Minería Chilena 14
3.2.5. Productividad y Seguridad en la minería del carbón:
Evidencia de desastres y muertes 15
3.3. Comparación entre estudios recientes 19
3.4. Modelo conceptual propuesto 21
3.5. Hipótesis de la investigación 21
3.6. Definición de las variables 21
3.6.1. Definición de Índices de Accidentabilidad OSHA 22
CAPITULO 4: DISEÑO DE LA INVESTIGACION 24
4.1. Alcance de la investigación 24
4.2. Método de recolección de datos 24
4.3. Modelo de datos 27
4.3.1. Modelo de efectos fijos 27
x
4.3.2. Modelo de efectos aleatorios 28
4.3.3. Definición de variables del modelo 29
4.3.4. Forma general del modelo 32
CAPITULO 5: ANALISIS DE RESULTADOS 34
5.1. Análisis descriptivo 34
5.2. Análisis correlacional 35
5.3. Resultado del modelo de datos de panel 37
5.4. Forma matemática del modelo 39
CAPITULO 6: CONCLUSIONES 42
CAPITULO 7: RECOMENDACIONES 44
REFERENCIAS BIBLIOGRAFICAS 45
ANEXOS 46
1
Capítulo 1: Introducción y Motivación de la tesis
El Peru es tradicionalmente un país minero y este sector es considerado como el
principal aportante al crecimiento de la economía, pues contribuye a la generación
de divisas necesarias para mantener el equilibrio macroeconómico.
En el periodo 2010 - 2016 la economía creció un promedio de 5.2%, y en el 2016 el
PBI Minero fue de 21.1%. El incremento del PBl minero está relacionado
directamente con un crecimiento importante de las exportaciones del sector: de
17,439 millones de dólares a 21,652 millones de dólares en el periodo observado, es
decir, un aumento de 19.5% entre 2007 y el 2016, según se observa en el gráfico
siguiente. En el 2016 las exportaciones mineras metálicas representaron un 58.8%
de las exportaciones totales1.
Fuente: Ministerio de Energía y Minas. Boletín Estadístico de Minería-Enero 2017.
La salud y la seguridad de los trabajadores es un objetivo principal de las Empresas
Mineras y el estado, su mejora logra disminuir las lesiones personales, reducir las
pérdidas de tiempo, incrementar la productividad, disminuir perdidas de capital y
disminuir los riesgos de conflictos sociales. La seguridad es necesaria para velar por
el bienestar de los trabajadores y para mantener una seguridad adecuada en las
minas, las empresas deben aplicar acciones permanentes y tener índices de
siniestralidad bajos. En este contexto, así como se han dado cambios de tipo social,
1 Ministerio de Energía y Minas. Boletín Estadístico de Minería-Enero.
2
tecnológico, legal y ético, también la seguridad ha ido evolucionando a través del
tiempo:
- El 12 de marzo de 1950 entra en vigencia el Código de Minería-DL 1125, no tuvo
una adecuada evolución en la administración de la seguridad, y fue derogada en
1973.
- En 1973 se da el DS N° 034-73-EM, y en 1992 se da el DS N° 023-92-EM,
ambos basados en paradigmas tradicionales, como su acción reactiva y
orientado al control de lesiones entre otros. Así mismo mediante DS N°014-92-
EM se aprueba el Texto Unico Ordenado de la Ley General de Minería,
estableciéndose en el Titulo Bienestar y Seguridad, ciertas obligaciones que los
titulares de la actividad minera tienen frente a sus trabajadores.
- En los años 1997 y 1998 se crean instituciones como ACOMIPE e ISEM, y el
Ministerio de Energía y Minas estructura un Proyecto del Reglamento de
Seguridad e Higiene Minera. También, a través de Empresas Extranjeras,
ingresan al país Sistemas de Seguridad como NOSA, ISTEC, DUPONDM DNV,
etc.
- En el 2001 se promulga el DS N° 046-2001-EM donde el Jefe de Seguridad tiene
como función desarrollar la Gestión de Seguridad
- En el 2010 se da el DS N° 055-2010-EM que aprueba el Reglamento de
Seguridad y Salud Ocupacional en Minería.
- En el 2011 se da la Ley N° 29783, cuyo objetivo es promover una cultura de
prevención de riesgos laborales en el país.
- El 26 de Julio del 2016 se aprueba el Reglamento de Seguridad y Salud
Ocupacional en Minería mediante el DS N° 024-2016-MEM, que además de lo
establecido en el DS N°055-2010-EM realiza las adecuaciones a las
disposiciones establecidas por el Ministerio de Trabajo y Promoción del Empleo
en materia de seguridad y salud en el trabajo
La productividad minera tiene una relación directa con la seguridad. Un trabajo
seguro, es un desempeño bien hecho y productivo, por lo que se puede concluir que
a mayor seguridad mayor será la productividad de la empresa. Es decir que los
accidentes laborales generan una merma importante y si no se aplican las medidas
3
preventivas correspondientes el impacto en la productividad puede ser mayor. Una
correcta y oportuna gestión de los riesgos aporta a la productividad en el corto y
mediano plazo, y en el largo plazo será importante para mantener la sustentabilidad
de la empresa. Las evaluaciones de la productividad permiten medir el desempeño
de las empresas, identificar los procesos clave y priorizar las causas de perdidas,
con el objetivo de adoptar medidas de mejoramiento acertadas
Debido a que la información sobre costos mineros no es fácilmente accesible, los
estudios sobre productividad minera no son muy frecuentes. En el Perú, la mayor
parte de la minería es desarrollada por empresas extranjeras, y la productividad del
proceso minero no es tratado adecuadamente. El Ministerio de Energía y Minas no
publica estadísticas al respecto, y la información publicada permite hacer un cálculo
simple de la productividad de la mano de obra, pues no se cuenta con información
sobre dotación de capital y de mano de obra
El tratamiento estadístico de los accidentes permite conocer el grado de
accidentabilidad de todas las empresas del sector. El Anexo I muestra las tendencias
de la productividad y accidentabilidad de las minas peruanas, se observa que las
minas a cielo abierto tienen una mayor productividad y un menor índice de
accidentabilidad con respecto a las minas subterráneas
Este estudio contribuye a cuantificar cuánto de la disminución de la productividad es
explicada por el grado de accidentabilidad en las operaciones mineras.
1.1. Objetivos de la tesis
1.1.1. Objetivos Generales
- Evaluar el impacto de la accidentabilidad en la productividad de las minas
peruanas.
1.1.2. Objetivos Específicos
- Evaluar estadísticamente la situación de la seguridad en las minas
consideradas para el estudio.
4
- Probar estadísticamente que la accidentabilidad tiene un efecto negativo muy
significativo sobre la productividad.
- Dar recomendaciones y establecer medidas que permitan mejorar la
seguridad en las minas peruanas.
1.2. Preguntas de la investigación
- ¿Con respecto a los resultados de seguridad (índices de accidentabilidad) y
productividad, qué diferencias existen entre las diferentes categorías de las
minas peruanas?
- ¿Cómo afecta la ocurrencia de accidentes en la productividad de las minas?
5
Capítulo 2: Justificación del estudio
La seguridad debe estar integrada en cada una de las fases de los procesos
productivos con el objetivo de lograr la máxima eficacia en la Gestión de Riesgos
Laborales. Existe una preocupación constante del Estado en la protección de la
integridad de los trabajadores, el patrimonio de las empresas titulares y de las
empresas contratistas, y además del cuidado del medio ambiente
El estudio se basa en el análisis estadístico de los índices de accidentabilidad y de
productividad obtenidos por las diferentes minas peruanas entre los años 2010 y
2014 de operación.
La información obtenida permitirá a los Gerentes mejorar el control de las
actividades operativas e implementar planes de seguridad para reducir la
probabilidad de accidentes. Así mismo permitirá, a las autoridades sectoriales y
fiscalizadoras (MEM, OSINERGMIN y SUNAFIL), evaluar los resultados de la
gestión de Seguridad y Salud Ocupacional en la Gran y Medina Minería a nivel
nacional.
2.1. Deficiencias y vacíos actuales en el conocimiento del
problema
En los estudios realizados anteriormente y que han sido analizados, solo se
presentan resultados generales de proyectos realizados por Contratistas en Chile y
en todas las minas de carbón de EE. UU (Valverde y Betancour, 2013,
Gowrisankaran, He, Lutz y Burgess, 2014). En forma específica, no se ha evaluado
el impacto de la ocurrencia de accidentes en la productividad de las minas del país.
El estudio se aplica a las minas peruanas tanto del tipo subterráneas como las del
tipo superficiales y que cotizan en la Bolsa de Valores de Lima. Para las
comparaciones correspondientes, se ha tenido en cuenta las estadísticas de
accidentes y de producción de cada una de ellas.
Los datos e información básica se han obtenido de OSINERGMIN y de la Bolsa de
Valores de Lima BVL, como se detallará más adelante.
6
Capítulo 3: Marco Conceptual
La OIT define un accidente laboral como un suceso derivado del trabajo o que
ocurre dentro del mismo y que ocasiona lesiones incapacitantes o no incapacitantes.
Este suceso puede tener como consecuencia la incapacidad del trabajador para
realizar su labor o la muerte, interrupción del proceso productivo y
consecuentemente la pérdida de productividad. Adicionalmente hay un impacto
social importante por lo que las empresas están cada vez más comprometidas en la
prevención y disminución de su incidencia2.
3.1. Marco legal
Todo lo relacionado a la seguridad y salud de los trabajadores mineros esta
normado por el Reglamento de Seguridad y Salud Ocupacional en Minería, DS
024-2016-EM promulgado el 26 de Julio del 2016; y por la Ley 29783 sobre
Seguridad y Salud en el Trabajo promulgada el 26 de Julio del 2011.
3.2. Estudios recientes sobre Accidentabilidad y Productividad
En esta sección se dan antecedentes que ayudan a contextualizar de mejor manera
los alcances de esta tesis. Los estudios clasifican accidentes, formulan hipótesis y
los verifica por medio de modelos.
Los proyectos mineros y sus riesgos asociados requieren de gran cantidad de
recursos. Por lo tanto, es muy importante generar y promover un ambiente de
trabajo seguro en sus diferentes etapas y así disminuir los índices de
accidentabilidad.
3.2.1. Comparación Internacional de Sistemas de Salud y Seguridad Laboral
Brahm, Singer, Valenzuela, y Ramírez (2011) hacen un análisis comparativo de los
costos y beneficios ofrecidos por el sistema de mutuales privados para enfrentar los
riesgos actuales de seguridad y salud en el trabajo.
2 Arancibia (2012)
7
El informe compara el sistema chileno de forma cualitativa respecto a países de la
OCDE mediante un modelo econométrico. Este modelo permite explicar la tasa de
accidentabilidad y la tasa de fatalidad laboral en términos de las variables
socioeconómicas de diferentes países (PIB per cápita, consumo de alcohol,
industrias predominantes en la economía).
Los aspectos de este estudio aplicables a la tesis son:
o La parte G, referida a la comparación cuantitativa de los sistemas de Seguridad y
Salud Laboral de los países de la OCDE.
3.2.2. Análisis de Índices de Accidentabilidad en la Construcción de Proyectos
EPCM para la minería
Arancibia (2012) desarrolla un estudio cuya finalidad es realizar un análisis de los
índices de accidentabilidad obtenidos por los contratistas de construcción, durante
la ejecución de proyectos EPCM para la minería en el periodo 2007 – 2011. El
proceso de la investigación se presenta en la Ilustración 3.1.
El análisis de los índices de accidentabilidad se realiza a través de la búsqueda de
relaciones de dependencia con la ubicación geográfica de los proyectos, el tipo de
obras, la magnitud del proyecto y la condición de uso del terreno.
ILUSTRACION 3.1: Proceso de la Investigación - Proyectos PCM
Fuente: Tesis, Arancibia (2012) Elaboración propia
El aporte del autor se resume esquemáticamente en la siguiente Ilustración 3.2:
8
ILUSTRACION 3.2: Indices de Accidentabilidad - Proyectos PCM
Fuente: Tesis, Arancibia (2012) Elaboración propia
Los aspectos de este estudio aplicables a la tesis son:
o El capítulo 3, referido a la definición de los índices de accidentabilidad basados
en la legislación vigente
o Los capítulos 4 y 5, referidos al tratamiento (agrupamiento y análisis estadístico),
análisis de resultados, así como las proyecciones posibles
o El uso de Indicadores de Desempeño Positivo, los cuales deben estar
enfocados en la medición de factores o sucesos que indiquen un progreso o
logros en materia de seguridad, en vez de medir retrocesos como lo hacen los
índices de accidentabilidad.
3.2.3. Evaluando el riesgo y regulando los estándares de seguridad en la
industria del petróleo y gas: La experiencia peruana3
Vásquez, Salvador, García y Fernández (2013) elaboran un estudio para
evaluar los riesgos y la regulación de las normas de seguridad en la industria de
petróleo y gas.
En el Cuadro 3.1 se presenta un resumen de los riesgos generados por las
actividades de petróleo y gas en la selva peruana, están organizados por tipos y por
la probabilidad de los eventos.
Los autores proponen el siguiente marco teórico para analizar las regulaciones de
las normas de seguridad en la mencionada industria: La inversión en medidas de
seguridad para cumplir con las normas es una actividad costosa para las empresas,
3 Traducción libre del artículo denominado “Assessing risk and regulating safety standards in the oil and gas industry: the Peruvian experience” de Vasquez, et al (2013
9
por lo que es necesario hacer un análisis del nivel óptimo de seguridad teniendo en
cuenta los costes y beneficios de las políticas de seguridad. Este análisis de costo-
beneficio puede ser modelado con la siguiente ecuación:
ESCS = ESD (u) – TSC (u)
ESCS: Costo social que se espera de proporcionar seguridad
ESD (u): Valor esperado de daños sociales.
TSC (u): Costo esperado de proporcionar seguridad.
(u): Nivel de esfuerzo de seguridad ejercida por la industria del petróleo y
gas:
Suponen que la EDS (u) y TSC (u) son funciones convexas; en el caso de TSC (u),
es una función creciente de u que significa que el coste de mejorar las condiciones
de seguridad es más alto ya que la empresa ejerce un mayor nivel de esfuerzo de
seguridad. ESD (u) es una función decreciente de u, lo que significa que el daño
social esperado disminuye a medida que el esfuerzo de seguridad de las empresas
mejora. ESCS, ESD (u) y TSC (u) se representan en la Figura 3.1.
El objetivo del Estado es establecer un estándar de seguridad, u+, que minimiza el
costo social que se espera de proporcionar seguridad. La Figura 3.1 muestra que
este objetivo se logra cuando el costo marginal esperado de proporcionar la
seguridad (punto D, donde la derivada de TSC representada por la recta tangente es
el costo marginal) es igual, en valor absoluto, a la reducción marginal en el daño
social que se espera (punto F). Esta condición de equilibrio se alcanza en u+, lo que
representa el nivel óptimo de seguridad que el Estado debe aplicarse en la industria
del petróleo y el gas.
En caso de que una empresa ejerza un esfuerzo de seguridad, u0, que está a menos
de u+, se observa en la Figura 3.1 que el costo marginal esperado de proporcionar la
seguridad es menor que el daño social marginal esperado. En este escenario, el
riesgo de un accidente aumenta más allá de su nivel óptimo (logrado cuando u+ es
elegido); en otras palabras, hay demasiado riesgo de un accidente que nace por la
sociedad. Matemáticamente, podemos valorar este exceso de riesgo para la
sociedad mediante la medición de la pérdida social, SL, por un esfuerzo de
seguridad por debajo de su nivel óptimo, la cual se muestra como el área sombreada
10
definida por la región CDEF en la Figura 3.1. Esta pérdida social se muestra o
aparece porque un esfuerzo de seguridad por debajo de la norma aumenta el daño
social esperado debido al mayor riesgo de un accidente. La expresión matemática
de esta pérdida social, en el supuesto de que es posible identificar perfectamente
funciones ESD (u) y TSC (u) es
𝑆𝐿 = ∫ [𝐸𝑆𝐷(𝑢) − 𝑇𝑆𝐶(𝑢)]𝑑𝑢𝑢+
𝑢0
CUADRO 3.1: Clasificación del Riesgo para Actividades de Petróleo y Gas en la
Selva Peruana
Probabilidad
(R)
Peligro (IN)
Menor Moderado Mayor Catastrófico
Petróleo y Gas: Exploración y Extracción
Raro
Falla de los sistemas de
seguridad (por ejemplo, los
disyuntores de purga)
Explosión de
pozos debido a
fallas en la
culminación
Ocasional
Impacto en la calidad del suelo por un derrame de petróleo.
Desplazamiento de la fauna
silvestre por presencia humana
a escala industrial y
desaparición de vegetación
Impacto en la salud humana
por la contaminación de la
calidad del aire debido a las
emisiones de gases (NOX,
CO2, CO)
Periódico
Impacto en las aguas superficiales por derrames de petróleo y campos de desechos
domésticos
Impacto en la calidad del suelo
por la pérdida de vegetación
Frecuente Emisiones de gases de
efecto invernadero.
Transporte de Hidrocarburos
Raro
Ocasional
Impacto en las aguas
subterráneas por el drenaje
de petróleo o líquidos de gas
natural de una tubería rota.
Periodico
Impacto en la calidad del suelo por derrames de petróleo
Impacto en las aguas
subterráneas por
derrames o filtraciones
de hidrocarburos
Elaborado: Vásquez, Salvador, García y Fernández
11
FIGURA 3.1: Determinación Optima de Estándares de Seguridad
Elaborado: Vásquez, Salvador, García y Fernández (2013)
Para restablecer la condición de equilibrio y eliminar la pérdida social del exceso de
riesgo, el Estado necesita inducir a la empresa que ejerza un nivel de esfuerzo
consistente con u+. Esta es una tarea difícil desde que el Estado no posee
información directa acerca del comportamiento en seguridad de las empresas. El
Estado delega su poder regulatorio a un organismo especializado regulador. Este
organismo es capaz de obtener una mejor información sobre el desempeño de
seguridad de la empresa mediante la implementación de estrategias de seguimiento
y supervisión, cerrando en cierta medida la brecha de información entre la autoridad
pública y la empresa.
El modelo planteado por Vásquez (2012) explica la relación jerárquica entre una
compañía de petróleo y gas (el agente sujeto a la regulación) y una agencia
reguladora (la principal que tiene el mando del Estado para hacer cumplir las normas
de seguridad). Esta relación se presenta en la Figura 3.2.
FIGURA 3.2: Relación entre el Estado y la Compañía
Elaborado: Vásquez, Salvador, García y Fernández (2013).
12
Una versión simplificada del mencionado modelo aplicado a la normativa de
seguridad se ilustra en la Figura 3.3. Se observa la interacción entre la autoridad
regulatoria y una compañía de petróleo y gas que realiza una actividad de riesgo a
través de la forma ampliada de un juego con seis etapas:
En la primera etapa, el regulador elige el nivel de esfuerzo de monitoreo, e, que
comprometa a supervisar el comportamiento de seguridad de la empresa. Se supone
que el regulador puede elegir sólo dos opciones: un alto (eH) o un bajo nivel (eL) de
esfuerzo de monitoreo dependiendo de los recursos disponibles.
En la segunda etapa (que comienza en el segundo nodo de decisión), se supone
que la empresa puede elegir si desea ejercer un nivel alto (uH) o bajo (uL) esfuerzo
de seguridad dada la decisión del regulador con respecto a su esfuerzo de monitoreo
en la primera etapa.
FIGURA 3.3: Versión simplificada del modelo
Elaborado: Vásquez, Salvador, García y Fernández (2013)
En la tercera etapa, el regulador realiza un seguimiento ex ante con el fin de evaluar
el grado de cumplimiento de seguridad de la compañía antes de la ocurrencia de un
accidente. Este monitoreo puede incentivar a la compañía a reducir a priori la
probabilidad de accidentes mediante la inversión en medidas de seguridad. La
probabilidad a priori de la detección de las infracciones de seguridad se llama PEX
ANTE. Si el regulador elige eH, PEX ANTE será alta inducción de la empresa a
13
probablemente ejercer un alto nivel de esfuerzo de seguridad. Caso contrario, la
compañía podría ejercer un bajo nivel de esfuerzo de seguridad.
En la cuarta etapa, donde un accidente puede ocurrir con una probabilidad Φ(u). Si
la empresa ejerce uL, la ocurrencia de un accidente será más probable. Si la
compañía ha elegido uL, la probabilidad de un accidente con un alto nivel de
esfuerzo de seguridad será mayor en ese escenario que en el caso de que la
empresa elige uH.
Si ocurre un accidente, el juego sigue a una quinta etapa cuando el organismo
regulador puede supervisar lo que sucede con la conducta de la empresa durante el
accidente y también puede evaluar cualquier daño social generado. La agencia
reguladora puede detectar cualquier infracción y el daño con una probabilidad PEX
POST. Es necesario el uso de evaluaciones previas y seguimiento ex post para alinear
los incentivos de la empresa hacia el cumplimiento de la seguridad.
Por último, en la sexta etapa observamos los pagos de los jugadores en el juego
regulatorio. En este escenario se obtiene π (UL) como ganancia. Con el fin de
inducir a la empresa a cumplir con la norma de seguridad, u +, el regulador puede
aplicar incentivos económicos, tales como multas y sanciones no monetarias. FEA es
la multa prevista por el regulador, FEP es la multa prevista que el regulador puede
aplicar si el control posterior revela una infracción de seguridad, “αt” es igual al valor
esperado del costo de oportunidad que la empresa enfrenta si sus instalaciones
están cerradas por períodos, t, v es la pérdida privada esperada por la compañía si
ocurre un accidente. El pago total que la empresa puede recibir al final del juego es
igual a π - FEA - FEP - αt - v, que es el beneficio neto de la empresa puede recibir
después de la aplicación de las sanciones del regulador y la internalización de la
pérdida privada de la empresa por el accidente.
El modelo descrito anteriormente muestra el conflicto de intereses inherente entre el
regulador de la seguridad y de la compañía de petróleo y gas. Mientras que el
regulador, en representación del Estado, quiere minimizar el coste social que se
espera de los accidentes, la empresa quiere maximizar su beneficio neto esperado.
14
La teoría económica presentada permite la comprensión de la necesidad de contar
con normas de seguridad para controlar el riesgo de accidentes en la industria del
petróleo y el gas.
Los aspectos de este estudio aplicables a la tesis son:
o La sección 2, referida a la identificación de los riesgos en las actividades de
petróleo y gas, y que también es aplicable a la industria minera.
o La sección 3, donde a través de una perspectiva teórica se define un modelo
para hacer un análisis del nivel óptimo de seguridad teniendo en cuenta los
costes y beneficios de las políticas de seguridad. Dicho análisis también es
compatible con la actividad minera con la suposición de que es posible identificar
perfectamente funciones del valor esperado de daños sociales ESD (u) y el costo
esperado de proporcionar seguridad, TSC (u), donde u es el nivel de esfuerzo de
seguridad ejercida por la industria minera
3.2.4. Midiendo la productividad en la Minería Chilena
Valverde y Betancour (2013), abordan la productividad en la minería chilena desde
una perspectiva teórica y medir cuantitativamente su evolución en el periodo 2003 -
2012.
El mayor aporte del estudio consiste en: entender que la caída de productividad en
el sector extractivo está asociado al factor geológico, y establecer dos metodologías
para incorporarlo de manera implícita en el cálculo de la Productividad Total de
Factores (PTF):
1. Mediante la ley del mineral al corregir el valor agregado generado en la
minería por este índice.
2. Mediante el consumo de energía, dada la relación directa entre ley del
mineral, dureza de la roca, profundidad del yacimiento y la intensidad de uso
de energía.
Con el modelo planteado se obtiene que entre un 26% y un 33% de la menor
productividad que presenta la minería con respecto al año 2003, es producto del
factor geológico medido como la ley del mineral.
15
Los aspectos de este estudio aplicables a la tesis son las metodologías,
consideraciones y supuestos establecidos para determinar la productividad en la
minería a través de la incorporación del factor geológico.
3.2.5. Productividad y seguridad en la minería del carbón: Evidencia de
desastres y muertes4
Gowrisankaran, He, Lutz, y Burgess (2014) elaboran un estudio para estimar
una función conjunta entre la producción y la seguridad en la industria de la
minería del carbón en USA. Para ello hacen uso de datos, registrados durante
el periodo 2000 – 2011, que incluyen la producción, las horas-hombre
trabajadas, el número de accidentes y las violaciones a la reglamentación en
las minas de carbón. El proceso de la investigación se representa en la
Ilustración 3.3.
El estudio plantea como aporte la formulación de un modelo neoclásico
sencillo para formalizar la función de producción de carbón y la seguridad de las
operaciones, y el efecto de los desastres. Consideran que el costo esperado de
accidentes es una función monótonamente decreciente del nivel de seguridad
elegido.
En este modelo la Seguridad y producción de mineral son sustitutos, lo que implica
que a mejores resultados de seguridad los niveles de producción de mineral son
inferiores. Por lo tanto, este modelo plantea la hipótesis de un equilibrio entre la
productividad y el riesgo de accidente. También asumen que los desastres y muertes
son eventos de baja probabilidad que reducen el precio relativo de la seguridad (o
equivalentemente, aumentan el costo de futuros accidentes). Examinan si las minas
reducen efectivamente las tasas de accidentes después de un desastre o una
fatalidad, y si existe un costo asociado a la productividad.
En el modelo, la función de beneficios de la mina está influenciada por tres
parámetros, dos de estos parámetros optan por maximizar las ganancias: insumos
laborales X y el nivel de seguridad, en los que un valor más alto aumenta el uso de
4 Traducción libre del articulo denominado “Productivity and Safety in Coal Mining: Evidence from Disasters and Fatalities” de Gowrisankaran, et al (2014)
16
los insumos de trabajo o se requiere una norma de seguridad más alto,
respectivamente. Los beneficios son determinados por el nivel de producción
proporcionada por estos dos parámetros. Los beneficios también se reducen por el
costo esperado de accidentes en el futuro. El coste de los accidentes está
influenciado por “s”, “ɑ” es una medida de eventos de seguridad pasados y se puede
interpretar como las últimas ocurrencias de accidentes dentro de la mina o un
desastre en otra mina.
La función de utilidad esperada para una mina se puede expresar como:
E [π (x, s, ɑ)] = E [F (x, s) - C (s, ɑ)], (1)
donde:
- F (x, y), función de producción de la mina, influyen en los beneficios como los
salarios y el precio del carbón.
- El segundo término es C (s, ɑ), el costo esperado de accidentes en el
presente está influenciado por “s” (el nivel de seguridad) y “ɑ” accidentes anteriores.
C () es [0, ∞].
La hipótesis principal plantea que habrá una disminución en la producción y un
aumento de la seguridad después de un accidente.
El modelo predice que un evento de fatalidad o de desastre dará lugar a una
disminución de la productividad en la extracción de mineral y una disminución en la
tasa de accidentes. Se pone a prueba esta hipótesis con una ecuación de
estimación en donde cada observación individual mina-trimestre está representado
por:
En los resultados se evalúan cambios en el comportamiento de la mina después de
los desastres en el mismo estado y a nivel nacional. Los autores encontraron que las
minas dentro de un estado que experimentan un desastre muestran algunos signos
17
de aumento de la productividad, pero las minas a nivel nacional disminuyen su
productividad después de un desastre.
ILUSTRACION 3.3: Proceso de la Investigación – Minería de Carbón USA
Fuente: Gowrisankaran, He, Lutz, Burgess (2014). Elaboración propia.
En general, hay una literatura empírica relativamente limitada sobre la relación entre
la seguridad y la productividad. En este trabajo se estudia cuantitativamente el
efecto de los desastres y muertes en la actividad de la mina y se ha usado los datos
de producción y de la productividad, que son escasamente disponibles.
El aporte de los autores se resume esquemáticamente en la Ilustración 3.4.
Los aspectos de este estudio aplicables a la tesis son: la modelación y estimación
de índices de accidentabilidad y de productividad; el tratamiento (agrupamiento y
análisis estadístico) y análisis de resultados.
ILUSTRACION 3.4: Modelamiento y Estimación – Minería de Carbón USA
Fuente: Gowrisankaran, He, Lutz, Burgess (2014) Elaboración propia
18
3.3. Comparación entre estudios importantes recientes
CUADRO 3.2: Comparación de estudios importantes recientes
CRITERIOS DE COMPARACIÓN
“Indices de accidentabilidad en
construcción de Proyectos EPCM”
Arancibia (2012)
“Evaluando el riesgo y regulando los estándares de seguridad en la industria del
petróleo y gas: La experiencia peruana”
Vásquez, Salvador, García y Fernández (2013)
“Midiendo la Productividad en la Minería Chilena”
Valverde y Betancour (2013)
“Productividad y Seguridad en la minería de carbón”
Gowrisankaran, He, Lutz y Burgess (2014)
Data involucrada Datos de accidentabilidad y HH trabajadas por Contratistas en Proyectos EPCM para la minería (2007 – 2011).
La inversión en medidas de seguridad para cumplir con las normas es una actividad costosa para las empresas. El análisis costo-beneficio puede ser modelado teniendo en cuenta que el costo social que se espera de proporcionar seguridad (ESCS) es igual a la diferencia entre el valor esperado de daños sociales, ESD (u), y el costo esperado de proporcionar seguridad, TSC (u), donde u es el nivel de esfuerzo de seguridad ejercida por la industria del petróleo y gas.
Para explicar las tasas de accidentabilidad y de fatalidad laboral y compararlas en los países de la OCDE, se consideran variables a nivel de los sistemas SSL (gasto total, gasto en prevención), a nivel de salud de la población (consumo de alcohol, tasa de suicidio), a nivel de fuerza laboral (porcentaje de sindicalización, participación femenina), entre otras (2000-2005).
Datos de accidentes, producción y HH trabajadas en todas las minas de carbón de EEUU (2000 -2012).
Aplicabilidad El análisis es aplicable a todo tipo de actividades y/o procesos subsumidos.
El estudio es aplicable en las industrias del petróleo y gas, y minera global.
El análisis es aplicable a toda la industria en general y evalúa el impacto que tienen sobre la accidentabilidad las actividades de prevención que se realizan en las empresas.
El análisis es aplicable a la actividad minera en general.
Procesamiento de data
El proceso estadístico involucra análisis de varianza y regresiones.
Hace un análisis teórico para
evaluar los riesgos y la regulación
de las normas de seguridad en la
industria de petróleo y gas.
En el proceso estadístico, se analizan los datos de gastos en prevención de los SSL, lo cual permite evaluar en forma integral el sistema chileno en
El proceso estadístico involucra análisis de varianza y regresiones.
19
comparación con los países de la OCDE.
Índices analizados
La información solo permite el análisis de Accidentabilidad.
La expresión matemática de la pérdida social esperada debido al mayor riesgo de un accidente, supone que es posible identificar perfectamente funciones ESD (u) y TSC (u) mencionadas anteriormente.
La información permite el análisis de la accidentabilidad y fatalidad laboral para los países de la OCDE.
La información permite un análisis adecuado de los Índices de Accidentabilidad relacionados a la productividad.
Modelamiento No cuenta con una metodología para definir algún modelo.
Se formula un modelo para hacer un análisis del nivel óptimo de seguridad teniendo en cuenta los costes y beneficios de las políticas de seguridad.
Se estima un modelo econométrico que permite analizar los efectos que los esfuerzos de prevención tienen sobre la tasa de accidentabilidad a nivel de empresas.
Formula un modelo que interrelaciona la seguridad y productividad en función de la producción. Existe muy poca experiencia en el análisis y uso de este tipo de modelos. El modelo requiere ser validado en el entorno de la actividad minera actual.
Resultados No es posible pronosticar los índices de accidentabilidad con tiempo perdido.
El modelo descrito muestra un conflicto de intereses entre el regulador de la seguridad representante del estado y la compañía de petróleo y gas. Mientras que el regulador quiere minimizar el coste social que se espera de los accidentes, la empresa quiere maximizar su beneficio neto esperado. La teoría económica presentada permite la comprensión de la necesidad de contar con normas de seguridad para controlar el riesgo de accidentes en la industria del petróleo y el gas.
El modelo econométrico obtenido permite: realizar comparaciones del desempeño del sistema de SSL entre los países de la OCDE; y realizar una predicción para Chile.
Permite hacer estimaciones del comportamiento de la seguridad y analizar el impacto de factores económicos en su evolución.
20
3.4. Modelo conceptual para el proyecto de investigación
Considerando que el objetivo central de la investigación propuesta es “Evaluar
el impacto de la accidentabilidad en la productividad de las minas peruanas” el
modelo conceptual tiene como propósito presentar las dimensiones de
comparación de los proyectos mineros a fin de identificar posibles factores que
afecten los índices de accidentabilidad.
3.5. Hipótesis de la investigación
H.1. El incremento de los índices de accidentabilidad influye negativamente
en la productividad de las minas.
H.2. A mejores resultados de seguridad, los niveles de producción son
inferiores.
3.6. Definición de las variables
Para orientar el análisis estadístico de las características de los proyectos
mineros y su asociación con los índices de accidentabilidad, se empleará el
siguiente modelo conceptual que comprende las siguientes variables:
CUADRO 3.3: Variables del modelo conceptual
VARIABLE DEPENDIENTE DATOS
Productividad laboral 1.Producción (TM/año de mineral).
2.Horas-Hombre trabajadas (HH/año).
VARIABLE INDEPENDIENTE DATOS
Indice de Accidentabilidad
Eficiencia de uso de activos fijos
Proporción de trabajadores de terceros
Producción diaria
1.Horas-Hombre trabajadas (HH/año).
2.Número de accidentes leves (MTI).
3.Número de accidentes incapacitantes o con tiempo perdido (LTI).
4.Número de accidentes fatales.
5.Valor de los activos fijos por empresa (MM$).
6.Número de trabajadores en planilla de la empresa.
7.Número de trabajadores de terceros (Empresas Contratistas. 8.Produccion anual por empresa (TMD/año)
VARIABLE DUMMY DATOS
Método de explotación 1: Minas que aplican métodos subterráneos.
0: Minas que aplican métodos superficiales.
21
3.6.1. Definición de índices de accidentabilidad OSHA
The Ocupacional Safety and Health Act o Ley OSH se promulgo en USA el año
1970 y dio lugar a la creación de la Administración de Seguridad y Salud
Ocupacional (OSHA) que establece y hace cumplir las normas de protección y
prevención de riesgos de seguridad y salud en el trabajo.
LESION CON NECESIDAD DE PRIMEROS AUXILIOS (First Aid Injury – FAI)
Lesión de gravedad menor que requiere tratamiento de primeros
auxilios.
LESION CON NECESIDAD DE TRATAMIENTO MEDICO (Medical Treatment
Injury – MTI)
Lesión de trabajo que requiere de un tratamiento más especializado.
LESION CON TIEMPO PERDIDO (Lost Time Injury – LTI)
Lesión con pérdida de tiempo por más de un día o una discapacidad
permanente. Incluye las fatalidades.
TOTAL DE LESIONES DE TRABAJO (Total Work Injuries – TWI)
Suma de todas las lesiones: FAI, MTI, LTI y fatalidades.
DIAS DE TRABAJO PERDIDOS (Lost Time - LT):
Total de días laborales perdidos debido a una LTI.
ÍNDICE DE FRECUENCIA DE LESIONES (Injury Frequency Ratio – FAIFR –
MTIFR – LTIFR – TWIFR):
Es el número de lesiones, según corresponda, por las horas laborales
trabajadas, por cada millón de horas de trabajo:
𝐹𝐴𝐼𝐹𝑅 =𝐹𝐴𝐼 𝑥 1,000,000
𝐻𝐻 ,
𝑀𝑇𝐼𝐹𝑅 =𝑀𝑇𝐼 𝑥 1,000,000
𝐻𝐻 ,
22
𝑳𝑻𝑰𝑭𝑹 =𝑳𝑻𝑰 𝒙 𝟏, 𝟎𝟎𝟎, 𝟎𝟎𝟎
𝑯𝑯 ,
𝑇𝑊𝐼𝐹𝑅 =𝑇𝑊𝐼 𝑥 1,000,000
𝐻𝐻 .
TASA DE SEVERIDAD (TS)
Días perdidos multiplicada por cada millón de horas hombre y dividida
por el total de horas-hombre trabajadas.
𝑻𝑺 =𝑳𝑻 𝒙 𝟏, 𝟎𝟎𝟎, 𝟎𝟎𝟎
𝑯𝑯 .
INDICE DE SEVERIDAD (IS)
Total de días perdidos por lesiones incapacitantes, LT, divididos por la
cantidad total de lesiones de trabajo (TWI).
𝐼𝑆 =𝐿𝑇
𝑇𝑊𝐼
ÍNDICE CONSOLIDADO DE ACCIDENTABILIDAD (ICA)
Es un índice que se construye transformando los accidentes leves
(MTI), e incapacitantes (LTI), en su equivalente en accidentes fatales. El
ICA por lo tanto pretende cuantificar todos los accidentes de la empresa,
expresándoles en una unidad común, que corresponde a los accidentes
fatales. Para expresar los accidentes leves e incapacitantes en términos
de accidentes fatales se usa la evidencia empírica.
𝑰𝑪𝑨 =𝑴𝑻𝑰
𝑭𝑨𝑳+
𝑳𝑻𝑰
𝑭𝑨𝑰+ 𝑨𝑭
La Pirámide de Bird o teoría de la pirámide de accidentalidad, es la
representación gráfica de la proporcionalidad que existe entre los incidentes
(eventos que no generan perdida) y los accidentes con daños a la salud del
trabajador. Los niveles de la pirámide muestran que para eliminar los
accidentes más graves se debe prevenir los accidentes leves, la pirámide
contiene los siguientes niveles:
23
1 accidentes fatales, que puede ser mortal o incapacidad permanente
10 accidentes graves con pérdida de tiempo, con o sin daño material
30 accidentes leves con daños materiales, con o sin lesión
600 casos de riesgo en donde no se produjo lesión ni daño
Para una aplicación a nuestro caso de estudio, los factores de
proporcionalidad FAL y FAI se han estimado para el periodo 2010 – 2014
considerando todos los accidentes leves, incapacitantes y fatales ocurridos en
las unidades mineras metálicas del estrato de Régimen General, según data
proporcionada por OSINERGMIN
En el Cuadro 3.4 se presenta la estimación de los factores para el cálculo del
Indice Consolidado de Accidentabilidad y poder evaluar el desempeño de las
unidades mineras en operación.
CUADRO 3.4: Calculo de factores para el Indice Consolidado de Accidentabilidad
AÑO ACC. LEVES ACC. INCAP ACC.FATALES
2010 5,226 1,155 45
2011 6,572 1,154 45
2012 4,414 1,198 47
2013 9,127 1,059 40
2014 3,611 1,052 23
TOTAL 28,950 5,618 200
FACTOR 145 28 1
Fuente: OSINERGMIN Elaboración propia
24
Capítulo 4: Diseño de la Investigación
4.1. Alcance de la investigación
El propósito del presente trabajo de investigación es analizar el efecto de las
variables, índice de accidentabilidad, ICA; eficiencia de uso de activos fijos o
productividad de los activos, AFTMD; proporción de trabajadores de terceros
TERC; toneladas métricas de mineral producidas, TMD sobre la productividad,
PR, de las empresas mineras durante el periodo 2010-2014.
La unidad de análisis está conformada por 15 compañías mineras nacionales
representativas cuyos valores listados se cotizan en la Bolsa de Valores de
Lima:
1. Castrovirreyna Compañía Minera S.A.
2. Compañía de Minas Buenaventura S.A.A.
3. Compañía Minera Atacocha S.A.A.
4. Compañía Minera Milpo S.A.A.
5. Compañía Minera Poderosa S.A.
6. Compañía Minera Raura S.A.
7. Compañía Minera San Ignacio de Morococha S.A.A.
8. Compañía Minera Santa Luisa S.A.
9. MINSUR S.A.
10. Shougang Hierro Perú S.A.A.
11. Sociedad Minera Cerro Verde S.A.A.
12. Sociedad Minera Corona S.A.
13. Sociedad Minera El Brocal S.A.A.
14. Southern Perú Copper Corporation-Sucursal del Perú.
15. Volcán Compañía Minera S.A.A.
4.2. Método de recolección de datos
Para analizar el impacto de los determinantes sobre la variable endógena, PR,
en el periodo de referencia, se estimó bajo el modelo de datos de panel
mediante el uso del software estadístico de aplicación económica,
25
Econometrics E-views para el análisis de los datos en series de tiempo e
información de corte transversal.
Según Baronio-Vianco (2014), el principal objetivo de aplicar y estudiar los
datos en panel es capturar la heterogeneidad no observable, ya sea entre
agentes económicos o de estudio, así como también en el horizonte temporal,
dado que esta heterogeneidad no se puede detectar con estudios de series
temporales ni con los trabajos de corte transversal. Mediante un modelo
econométrico de datos de panel se incluye una muestra de interés para un
período determinado de tiempo; es decir, combina ambos tipos de datos en su
dimensión temporal y estructural para analizar información disponible según las
variables de estudio.
Esta técnica permite realizar un análisis dinámico al incorporar la dimensión
temporal de los datos, lo que enriquece el estudio, particularmente en períodos
de grandes cambios. La aplicación de esta metodología permite analizar dos
aspectos de suma importancia cuando se trabaja con este tipo de información y
que forman parte de la heterogeneidad no observable: i) los efectos
individuales específicos; y, ii) los efectos temporales.
De los efectos individuales específicos son aquellos que afectan de manera
desigual a cada uno de los agentes de estudio contenidos en la muestra
(individuos, empresas, bancos) los cuales son invariables en el tiempo y que
afectan de manera directa las decisiones que tomen dichas unidades.
Usualmente se identifica este tipo de efectos con cuestiones de capacidad
empresarial, eficiencia operativa, capitalización de la experiencia, acceso a la
tecnología.
La característica esencial de un panel de datos es su dimensión temporal, dado
que sus formas con observaciones sobre una gran variedad de minas tomados
en distintos momentos en el tiempo, en el presente estudio en años. No
obstante, el hecho diferenciador del panel del presente estudio es que
habitualmente las observaciones provienen de las mismas minas en diferentes
momentos del tiempo. Es decir, que los datos de panel permiten eliminar el
26
sesgo de variable omitida, cuando éstas son constantes en el tiempo en un
estado dado.
Dado el modelo siguiente:
𝑦𝑖𝑡 = 𝛼 + 𝛽X𝑖𝑡 + U𝑖𝑡 ,
donde:
U𝑖𝑡: Termino de error
𝜇𝑖 ∶ Efectos no observables, difieren entre las unidades de
estudio, pero no en el tiempo
𝜈𝑡 ∶ Efectos no cuantificables que varían en el tiempo, pero no
entre las unidades de estudio
𝜔𝑖𝑡: Termino de error netamente aleatorio
Si:
U𝑖𝑡 = 𝜇𝑖 + 𝜈𝑡 + 𝜔𝑖𝑡 dado: 𝜈𝑡 = 0 .
Entonces, las variantes de los componentes de errores:
i. Supone en 𝑖, un efecto fijo para cada unidad de corte transversal. En
este caso, la heterogeneidad no observable se incorpora a la constante
del modelo.
ii. Supone tratar 𝑖, como una variable aleatoria no observable que varía
entre individuos, pero no en el tiempo.
Para Gujarati y Porter (2010), una alternativa al modelo de regresión de efectos
fijos es el modelo de componentes del error o del modelo de efectos aleatorios.
Una ventaja de este último consiste en la economía de los grados de libertad,
en vista de que no se tiene que calcular N interceptos de corte transversal.
Si U𝑖𝑡 = 𝜇𝑖 + 𝜔𝑖𝑡 .
Bajo los supuestos de:
27
𝜇𝑖~ N⟨0, σμ2⟩ ,
𝜔𝑖𝑡~ N⟨0, σω2 ⟩ ,
E⟨𝜇𝑖𝜔𝑖𝑡⟩ = 0; E⟨𝜇𝑖𝜇𝑗⟩ = 0; ⟨i ≠ j⟩
E⟨𝜔𝑖𝑡𝜔𝑖𝑠⟩ = E⟨𝜔𝑖𝑡𝜔𝑖𝑗⟩ = 0; ⟨i ≠ j; t ≠ s⟩ .
Es decir, los componentes del error individuales no están correlacionados entre
sí y no están auto correlacionados en las unidades de series de tiempo ni en
las de corte transversal. También es muy importante observar que ωit no está
correlacionado con ninguna variable explicativa del modelo. Como εi es un
componente de ωit, es posible que el segundo esté correlacionado con las
variables explicativas. Si en efecto es así, el modelo de componentes de error
producirá una estimación inconsistente de los coeficientes de regresión. La
prueba de Hausman indica si ωit está correlacionado con las variables
explicativas.
4.3. Modelo de datos
Según Montero (2011), los modelos de datos de panel combinan datos de corte
transversal y un periodo de tiempo. Mediante esta combinación es posible
realizar un seguimiento por cada individuo al disponer de mayor información en
datos; sin embargo, si todas las cualidades relevantes del individuo no son
observables entonces los errores individuales estarán correlacionados con las
observaciones y los mínimos cuadrados ordinarios serán inconsistentes pues
estarán sesgados. La solución es la utilización de un modelo de datos de panel
mediante el anidamiento de los datos: el de efectos fijos y el de efectos
aleatorios.
4.3.1. Modelo de efectos fijos:
Dado el modelo base:
y𝑖𝑡 = X𝑖𝑡 + 𝜀𝑖𝑡; Si: Cov⟨X𝑖𝑡 , 𝜀𝑖𝑡⟩ ≠ 0 .
28
El modelo de efectos fijos implica menos supuestos sobre el comportamiento
de los residuos. Entonces, el modelo a estimar es:
yit = 𝛼i + 𝛽Xit + 𝜇it .
Si:
𝛼i = 𝛼 + 𝜈i
Entonces:
yit = 𝛼 + 𝛽Xit + 𝜈i + 𝜇it
Es decir, supone que el error 𝑖𝑡
, puede descomponerse en dos elementos,
una parte fija, constante para cada individuo (𝑖) y, otra aleatoria que cumple
los requisitos del método estadístico de los mínimos cuadrados ordinarios,
MCO, 𝜇𝑖𝑡 , 𝜀𝑖𝑡 = 𝜈𝑖 + 𝜇𝑖𝑡
lo que es equivalente a obtener una tendencia general por regresión dando a
cada individuo un punto de origen, ordenada, distinto.
4.3.2. Modelo de efectos aleatorios
Dado el modelo:
yit = 𝛼 + 𝛽Xit + 𝜈i + 𝜇it
𝜈i Es una variable aleatoria: X̅ = 𝜈i, 𝑉𝑎𝑟 ⟨𝜈i ≠ 0⟩
La especificación es similar al modelo de efectos fijos de estimaciones más
consistentes; sin embargo, el modelo de efectos aleatorios es más eficiente
dado que la varianza estimada es menor.
Dado que los modelos de datos de panel permiten capturar la heterogeneidad
no observable mediante un componente fijo o aleatorio, es necesario identificar
cuál componente es relevante para efectos de la investigación propuesta; por
tanto, se aplica el test de Hausman, mediante el cual es posible determinar que
29
estimador es conveniente para el modelo, este test utiliza el 𝜒2, estadístico chi-
cuadrado, que según Montero (2005), determina si las diferencias son
sistemáticas y significativas entre dos estimaciones. El test evalúa la
consistencia para efectos del presente trabajo del 5% de significancia.
El test de consistencia plantea como hipótesis nula, H0 e hipótesis alternativa,
H1:
H0: Estimadores de efectos fijos = estimadores de efectos aleatorios
H1: Estimadores de efectos fijos ≠ estimadores de efectos aleatorios
La regla de decisión establece que si la probabilidad asociada al estadístico
chi-cuadrado es mayor al nivel de significancia se acepta la hipótesis nula, H0;
es decir, no hay diferencia sistemática entre efectos fijos y efectos aleatorios, y
por tanto es preferible estimar el modelo mediante efectos aleatorios. Ahora, si
la probabilidad asociada al estadístico chi-cuadrado es menor al nivel de
significancia se rechaza H0; y, por tanto, es preferible estimar el modelo de
efectos fijos.
4.3.3. Definición de las variables del modelo
Según la especificación teórica para una función de productividad es preciso
utilizar variables explicativas que representen los factores de escala y los
factores de accidentabilidad.
Dado que el objetivo del presente trabajo es estimar la relación entre la
productividad y la accidentabilidad para un conjunto de empresas mineras en el
Perú en el periodo referencial 2010-2014, se han considerado las siguientes
variables explicativas: ICA, AFTMD, TERC, TMD y una variable dummy
METEXP. La definición y denominación de las variables se muestran en el
Cuadro 4.1.
Cabe indicar que luego de evaluar los indicadores de seguridad disponibles
(días perdidos, índice de frecuencia, índice de severidad e índice de
accidentabilidad) se optó por estimar y usar ICA debido a que permitía obtener
mejores resultados.
30
EFICIENCIA DE USO DE ACTIVOS FIJOS PARA UNA PRODUCCION
DIARIA: AFTMD
Para este modelo, la variable de escala utilizada como proxy para cuantificar la
eficiencia en el uso de los activos es AFTMD. En el presente estudio es igual al
valor de los activos fijos, expresado en unidades monetarias, dividido por la
producción diaria para cada unidad de análisis, según las estadísticas de la
Bolsa de Valores de Lima y, de OSINERGMIN
𝑨𝑭𝑻𝑴𝑫 =𝑨𝑪𝑻𝑰𝑽𝑶𝑺 𝑭𝑰𝑱𝑶𝑺 (𝑴𝑴$)
𝑻𝑴𝑫
La variable AFTMD se puede interpretar como una variable que pretende medir
“la productividad de los activos fijos”. Si AFTMD aumenta, la productividad es
menor y viceversa.
Por tanto, un aumento en el nivel de inversión en las empresas mineras para
producir una misma tonelada de mineral por día, es decir, un aumento de la
variable AFTMD, generaría una disminución de la productividad.
31
CUADRO 4.1: Definición de las variables de estudio:
Variable Concepto Medición Símbolo Fuente
Variable Endógena
Productividad Capacidad de producir por unidad de trabajo para cada empresa minera.
Producción metálica TM/año respecto al número de horas hombre trabajadas por año.
PR OSINERGMIN
Variables Exógenas
Indice Consolidado de accidentabilidad
Indice que sirve para clasificar a las empresas mineras según sus accidentes laborales.
Medición que transforma todos los accidentes leves MTI e incapacitantes LTI en adición equivalente a accidentes fatales. Se estima en 145 accidentes leves y 28 accidentes incapacitantes por cada accidente fatal respectivamente.
ICA OSINERGMIN
Trabajadores de terceros
Proporción de trabajadores que pertenecen a Empresa Contratistas.
TERC OSINERGMIN
Producción diaria Capacidad de producción o tratamiento diario de mineral.
Toneladas métricas tratadas por día TMD OSINERGMIN
Variables de Control
Eficiencia de uso de los Activos físicos
Repartición de recursos privados definida como el valor monetario de las existencias de capital físico de dominio en una producción segura.
Valor nominal de los activos físicos, en millones de dólares, por cada tonelada métrica de capacidad de producción diaria.
AFTMD Bolsa de Valores
de Lima, BVL
Variable Dummy
Método de Explotación
Estrategia global que permite la excavación y extracción de un cuerpo mineralizado del modo técnico y económico más eficiente.
1 = Subterráneo 0 = Superficial
METEXP OSINERGMIN
Fuente: Base de datos estadísticos del proyecto de tesis Elaboración propia.
32
4.3.4. Forma general del modelo
Al agrupar las observaciones de series de tiempo y los datos transversales, la
ecuación o modelo de la productividad de las empresas mineras en el periodo
2010-2014 está expresado en logaritmos, según el soporte teórico de los
modelos de datos de panel y según los objetivos e hipótesis de la presente
investigación. El modelo se especifica como:
𝐋𝐲𝐢𝐭 = 𝜶 + 𝜷𝟏𝐋𝐗𝟏𝐢𝐭 + 𝜷𝟐𝐋𝐗𝟐𝐢𝐭 + 𝜷𝟑𝐋𝐗𝟑𝐢𝐭 + 𝜷𝟒𝐋𝐗𝟒𝐢𝐭 + 𝜷𝟓 𝑫𝟓𝐢𝐭 + 𝝁𝐢𝐭
Para cada αn le corresponde un Xn, donde n=1, 2, 3, 4.
Por tanto:
log⟨𝑃𝑅𝑖𝑡⟩ = 𝛼0 + 𝛽1log⟨𝐼𝐶𝐴𝑖𝑡⟩ + 𝛽2log⟨𝐴𝐹𝑇𝑀𝐷𝑖𝑡⟩ + 𝛽3log⟨𝑇𝐸𝑅𝐶𝑖𝑡⟩ + 𝛽4log⟨𝑇𝑀𝐷𝑖𝑡⟩
+ 𝛽5⟨𝑀𝐸𝑇𝐸𝑋𝑃5𝑖𝑡⟩ + 𝜇𝑖𝑡
𝐋𝐏𝐑𝐢𝐭 = 𝜶𝟎 + 𝜷𝟏𝐋𝐈𝐂𝐀𝐢𝐭 + 𝜷𝟐𝐋𝐀𝐅𝐓𝐌𝐃𝐢𝐭 + 𝜷𝟑𝐋𝐓𝐄𝐑𝐂𝐢𝐭 + 𝜷𝟒𝐋𝐓𝐌𝐃𝐢𝐭 + 𝜷𝟓𝐌𝐄𝐓𝐄𝐗𝐏𝐢𝐭
+ 𝝁𝐢𝐭
donde L=LOG; expresa para cada variable, en logaritmos
Y: Productividad, PR
X₁: Indice Consolidado de Accidentabilidad, ICA
X₂: Productividad de los activos fijos, AFTMD
X₃: Trabajadores de terceros, TERC
X₄: Producción diaria, TMD
D5: Método de Explotación, METEXP: 1= Subterráneo, 0 = Superficial.
∀𝑖 = 1, 2, 3,…, 15; donde cada sub - i, representa la i-ésima unidad transversal,
es cada identificador transversal en términos de cada empresa minera.
i = 1: Castrovirreyna Compañía Minera S.A.
i = 2: Compañía de Minas Buenaventura S.A.A.
i = 3: Compañía Minera Atacocha S.A.A.
i = 4: Compañía Minera Milpo S.A.A.
33
i = 5: Compañía Minera Poderosa S.A.
i = 6: Compañía Minera Raura S.A.
i = 7: Compañía Minera San Ignacio de Morococha S.A.A.
i = 8: Compañía Minera Santa Luisa S.A.
i = 9: MINSUR S.A.
i = 10: Shougang Hierro Perú S.A.A.
i = 11: Sociedad Minera Cerro Verde S.A.A.
i = 12: Sociedad Minera Corona S.A.
i = 13: Sociedad Minera El Brocal S.A.A.
i = 14: Southern Perú Copper Corporation-Sucursal Del Perú.
i = 15: Volcán Compañía Minera S.A.A.
∀𝑡 = 1, 2, 3, 4, 5; donde cada sub - t, representa el tiempo del periodo del
estudio, j, denota la serie de tiempo del periodo, T, 2010-2014:
t = 1: 2010 t = 2: 2011 t = 3: 2012 t = 4: 2013 t = 5: 2014
Por tanto, el presente estudio tiene como máximo quince unidades
transversales en un periodo de cinco años. El resultado de la muestra “n”, es:
n = (i) (t) = (15) (5) = 75
El panel de datos tiene 75 observaciones. Dado que cada empresa minera de
la muestra presenta cinco observaciones para cada año, durante el periodo
2010 - 2014; entonces, el análisis se realizará bajo la definición de un panel
balanceado.
34
Capítulo 5: Análisis de resultados
5.1. Análisis descriptivo
Para tener una visión diferenciada de los resultados, se compara el desempeño
de las empresas de la muestra según el tipo de minería. El primer grupo de
cinco empresas mineras de tipo cielo abierto o superficial conformado por:
- MINSUR S.A.5
- Shougang Hierro Perú S.A.A.
- Sociedad Minera Cerro Verde S.A.A.
- Sociedad Minera El Brocal S.A.A.6
- Southern Peru Copper Corporation - Sucursal del Perú.
El segundo grupo de diez empresas mineras de tipo subterránea integrado por:
- Castrovirreyna Compañía Minera S.A.
- Compañía de Minas Buenaventura S.A.A.
- Compañía Minera Atacocha S.A.A.
- Compañía Minera Milpo S.A.A.
- Compañía Minera Poderosa S.A.
- Compañía Minera Raura S.A.
- Compañía Minera San Ignacio de Morococha S.A.A.
- Compañía Minera Santa Luisa S.A.
- Sociedad Minera Corona S.A.
- Volcán Compañía Minera S.A.A.
En el Gráfico 5.1 se presenta el promedio y la desviación estándar de las
empresas según tipo de minería durante el periodo 2010-2014. Con respecto a
la media se observa lo siguiente:
- La productividad en las empresas que explotan a cielo abierto o
superficial es de 2.12 TM/Hr-Hb, y en las empresas con un tipo de
minería subterránea es de 0.26 TM/Hr-Hb. Esto evidencia que en las
5 A partir del 2013 inicia las operaciones de la mina superficial Pucamarca. 6 La producción proviene de la mina superficial Tajo Norte (83%) y de la mina subterránea Marcapunta Norte (17%)
35
minas superficiales la productividad promedio es ocho veces mayor que
en las minas subterráneas.
- El índice consolidado de accidentabilidad en las empresas con tipo de
minería subterránea es de 3.58, lo cual representa 1.5 veces los
accidentes en las minas a cielo abierto, que es de 2.38.
- Las empresas de tipo superficial son las que tienen menor inversión de
activos fijos por TMD producida (0.063 MM$/TMD) en comparación a las
subterráneas (0.089 MM$/TMD). Lo que implica que la productividad de
los activos fijos/capital es menor en las subterráneas en comparación
con las superficiales.
Con respecto a la desviación estándar o variabilidad, esta es más alta o el
grado de heterogeneidad es mayor en las minas superficiales, por lo que las
minas subterráneas presentan una mayor homogeneidad en sus variables
analizadas.
- En cuanto a la productividad, las minas subterráneas presentan una
desviación estándar de 0.17 y las minas superficiales de 1.90.
- En términos de la inversión, la desviación estándar es de 0.09 en las
empresas con minería tipo subterráneas y de 0.11 en las empresas
mineras superficiales7.
5.2. Análisis correlacional
El análisis de correlación mide el grado de relación entre dos variables,
aplicadas a las variables del estudio: PR, ICA, AFTMD, TERC, TMD.
En el Cuadro 5.1, se presentan los coeficientes de correlación de las variables
en niveles; se aprecia que hay una relación directa entre las variables TMD y
PR; así también, se observa una relación inversa de las variables de análisis,
ICA, AFTMD, TERC, METEXP, con la variable PR.
Además, del análisis correlacional, la matriz muestra que el índice ICA y el
TERC se relacionan negativamente con la productividad y sus correlaciones
son significativas8; respecto a la variable AFTMD, presenta una asociación
7 Ver Anexo IV: Estadísticas descriptivas, tipo de minería subterránea Ver Anexo V: Estadísticas descriptivas, tipo de minería: cielo abierto o superficial 8 Correlaciones estadísticamente significativas, al 5%
36
negativa significativa9 con la productividad lo que refuerza el análisis del
Gráfico 5.1.
GRAFICO 5.1: Promedio y variabilidad de la Productividad (PR), Indice Consolidado de Accidentabilidad (ICA), Eficiencia de uso de Activos (ACTMD) de las Empresas
según tipo de Minería - Del 2010 al 2014
Fuente: Base de datos estadísticos del proyecto de tesis. Elaboración propia.
9 Correlación con un nivel de significancia al 10%, aproximadamente
37
CUADRO 5.1: Matriz de correlación Variables en niveles
Fuente: Base de datos estadísticos del proyecto de tesis Elaboración propia
5.3. Resultados del modelo de datos de panel
Para estudiar los efectos de las variables ICA, AFTMD, TERC, TMD y la
variable dicotómica METEXP sobre la productividad el estudio analiza el
siguiente modelo:
log⟨𝑃𝑅𝑖𝑡⟩ = 𝛼0 + 𝛽1log⟨𝐼𝐶𝐴𝑖𝑡⟩ + 𝛽2log⟨𝐴𝐹𝑇𝑀𝐷𝑖𝑡⟩ + 𝛽3log⟨𝑇𝐸𝑅𝐶𝑖𝑡⟩ + 𝛽4log⟨𝑇𝑀𝐷𝑖𝑡⟩ + 𝛽5⟨𝑀𝐸𝑇𝐸𝑋𝑃𝑖𝑡⟩
≡ 𝐋𝐏𝐑𝐢𝐭 = 𝜶𝟎 + 𝜷𝟏𝐋𝐈𝐂𝐀𝐢𝐭 + 𝜷𝟐𝐋𝐀𝐅𝐓𝐌𝐃𝐢𝐭 + 𝜷𝟑𝐋𝐓𝐄𝐑𝐂𝐢𝐭 + 𝜷𝟒𝐋𝐓𝐌𝐃𝐢𝐭 + 𝜷𝟓𝐌𝐄𝐓𝐄𝐗𝐏𝐢𝐭
El modelo planteado está expresado en logaritmos con la finalidad de
estimar los cambios porcentuales en la productividad ante las variaciones
porcentuales en las variables exógenas, mencionadas anteriormente.
El indicador de productividad es fuertemente influenciado por el método de
explotación que se aplica y la capacidad de producción de la mina, mientras
que los indicadores de seguridad afectan el indicador, pero en una proporción
menor de acuerdo a los hallazgos.
DE LOS PARAMETROS:
𝜷𝟎: Intercepto del modelo
𝜷𝒊: Son los parámetros que reflejan el impacto de las variables explicativas
sobre la variable endógena: la productividad. Es decir, representa la variación
porcentual de la productividad ante una variación porcentual, de forma
independiente, de cualquiera de las variables exógenas, céteris páribus; es
VARIABLES PR ICA AFTMD TERC TMD METEXP
PR 1.00000
Prob. -------
ICA -0.08559 1.00000
Prob. 0.46530 -------
AFTMD -0.36935 0.25602 1.00000
Prob. 0.00111 0.02662 -------
TERC -0.22945 0.18745 0.03778 1.00000
Prob. 0.04768 0.10732 0.74761 -------
TMD 0.93366 0.00281 -0.32347 -0.15273 1.00000
Prob. 0.00000 0.98090 0.00464 0.19082 -------
METEXP -0.74210 0.09535 0.38172 0.18386 -0.71881 1.000000.00000 0.41579 0.00073 0.11433 0.00000 -------
38
decir, manteniendo las demás variables independientes constantes. Los
cambios porcentuales se refieren a las variables ICA, AFTMD, TERC, TMD,
sobre la variable PR.
TEST DE HAUSMAN
Para la elección entre el estimador de efectos fijos y el estimador de efectos
aleatorios, dada la posible presencia de correlación entre los regresores y los
componentes no observables, se realizó el Test de Hausman, y así probar la
existencia de diferencias sistemáticas entre los estimadores.
Dependiendo del tipo de relación que exista entre las variables explicativas con
la heterogeneidad no observable (µi), es que los modelos de datos de panel se
estiman utilizando, o bien el estimador de efectos fijos, o el estimador de
efectos aleatorios.
El contraste de Hausman es de aplicación directa al caso de los modelos de
datos de panel. La condición que determina si el estimador a utilizar es de
efectos fijos o efectos aleatorios es:
H0 = E⟨LPRit, LXit, µi⟩
donde 𝑋𝑖𝑡, son los regresores del modelo planteado.
El test de Hausman presenta como hipótesis nula que no existe diferencia entre
el modelo estimado mediante efectos fijos y efectos aleatorios; mientras que, la
hipótesis alternativa indica que hay diferencia entre ambos modelos. Según el
test de Hausman la inferencia de una probabilidad inferior al nivel de
significancia del 5 %; indica que, se rechaza la hipótesis nula.
La selección del modelo fue estimando previamente la especificación propuesta
mediante efectos fijos y de efectos aleatorios para capturar la heterogeneidad
no observable del modelo.10.
La dummy en este modelo se elimina por el efecto del método de diferencias
que se utiliza en el estimador.
10 Ver Anexo II, Test de Hausman, Test de efectos aleatorios y de efectos fijos.
39
5.4. Forma matemática del modelo
En una primera estimación del modelo se consideró solo las variables LICA,
LAFTMD, LTERC y METEXP, los resultados no reflejaban una significancia
estadística importante según lo mostrado en el Anexo III. Finalmente, se
incorporó la variable independiente TMD, con lo cual se mejoró la significancia
estadística del modelo. Los parámetros estimados se muestran en el Cuadro
5.211:
CUADRO 5.2: Parámetros del modelo elegido
β₁ LICA -0.194
β₂ LAFTMD -0.314
β₃ LTERC -0.633
β₄ LTMD 0.515
β₅ METEXPS -0.239 Fuente: Base de datos estadísticos del proyecto de tesis Elaboración propia
RESULTADO DEL MODELO:
𝑳𝑷𝑹 = −𝟔. 𝟒𝟗𝟑 − 𝟎. 𝟏𝟗𝟒𝑳𝑰𝑪𝑨 − 𝟎. 𝟑𝟏𝟒𝑳𝑨𝑭𝑻𝑴𝑫 − 𝟎. 𝟔𝟑𝟑𝑳𝑻𝑬𝑹𝑪 + 𝟎. 𝟓𝟏𝟓𝑳𝑻𝑴𝑫
− 𝟎. 𝟐𝟑𝟗𝑴𝑬𝑻𝑬𝑿𝑷
En el modelo resalta que los parámetros estimados pueden ser interpretados
como el cambio porcentual de la productividad ante variaciones del 1% en las
variables exógenas.
𝜷𝟏 : Parámetro que refleja el impacto que genera el índice consolidado de
accidentabilidad respecto a la productividad de las empresas mineras
analizadas.
𝜷𝟏 =𝝏(𝑳𝑷𝑹𝒊𝒕)
𝝏(𝑳𝑰𝑪𝑨𝒊𝒕)< 0
↑ (𝑳𝑰𝑪𝑨𝒊𝒕) → (𝑳𝑷𝑹𝒊𝒕) ↓
Según los resultados mostrados en el Cuadro 5.2, se observa que 𝜷𝟏 =
−𝟎. 𝟏𝟗𝟒, refuerza el vínculo teórico relacionado al efecto de LICA sobre la
productividad, por tanto, ante un incremento de una unidad porcentual en el
11 Ver Anexo III; Primera aproximación del modelo. Ver Anexo IV, modelo estimado.
40
índice de accidentabilidad ICA impacta negativamente en la productividad en
0.19%
𝜷𝟐 ∶ Es el parámetro asociado a la variable productividad de capital, medida en
logaritmos.
𝜷𝟐 =𝝏(𝑳𝑷𝑹𝒊𝒕)
𝝏(𝑳𝑨𝑭𝑻𝑴𝑫𝒊𝒕)< 0
↑ (𝑳𝑨𝑭𝑻𝑴𝑫𝒊𝒕) → (𝑳𝑷𝑹𝒊𝒕) ↓
La relación inversa implica que una mayor inversión en activos fijos para una
determinada producción diaria implica que se requeriría usar más activos para
producir una misma cantidad, lo cual implicaría a su vez que la productividad
de los activos fijos es menor, y esa menor productividad a su vez tendría un
impacto negativo sobre PR. En la ecuación estimada se observa que 𝜷𝟐 =
−𝟎. 𝟑𝟏𝟒. Este resultado corrobora las estimaciones que se muestran en el
Gráfico 5.1, y también el análisis correlacional, que se reporta en el Cuadro 5.1,
es decir, que a mayor inversión por tonelada producida menor será
productividad y mejorará el índice ICA. Por lo tanto, con los resultados
obtenidos se podría argumentar que, si los activos utilizados por tonelada
aumentan 1%, es decir, la productividad de los activos fijos disminuye 1%, la
productividad de la mano de obra será afectada negativamente en 0.31%.
𝜷𝟑 ∶ Parámetro asociado a la variable independiente que cuantifica el grado de
tercerización de la fuerza laboral de la empresa (número de trabajadores de
terceros, como porcentaje del total). En la ecuación obtenida se observa que
𝜷𝟑 = −𝟎. 𝟔𝟑𝟑, lo cual implica que a mayor tercerización menor productividad, y
que un incremento de 1% en el ratio de tercerización afectaría negativamente
la productividad en 0.63.
𝝏(𝑳𝑷𝑹𝒊𝒕)
𝝏(𝑳𝑻𝑬𝑹𝑪𝒊𝒕)< 0
↑ (𝑳𝑻𝑬𝑹𝑪𝒊𝒕) → (𝑳𝑷𝑹𝒊𝒕) ↓
41
𝜷𝟒 𝒚 𝜷𝟓 : El indicador de productividad está fuertemente influenciado por la
capacidad de tratamiento diario de mineral (medido con TMD) y por el método
de explotación (METEXP). En la ecuación estimada se observa que 𝜷𝟒 =
𝟎. 𝟓𝟏𝟓, 𝜷𝟓 = −𝟎. 𝟐𝟑𝟗.
𝝏(𝑳𝑷𝑹𝒊𝒕)
𝝏(𝑳𝑻𝑴𝑫𝒊𝒕)> 0
↑ (𝑳𝑻𝑴𝑫𝒊𝒕) → (𝑳𝑷𝑹𝒊𝒕) ↑
Respecto a la significancia estadística de los parámetros estimados, los
resultados muestran que las variables independientes ICA, AFTMD, TERC,
TMD son estadísticamente significativas con un nivel de confianza superior al
95%, es decir, existe una probabilidad menor del 5% que los parámetros
obtenidos para esas variables sea cero. Es decir, tienen un alto poder
explicativo, son relevantes, y aportan información para explicar a la
productividad de las empresas mineras. La variable independiente METEXP,
tiene un nivel de significancia estadística algo menor, del orden del 90%, y por
lo tanto existe una probabilidad algo mayor, del orden del 10%, que el
parámetro de METEXP sea cero. No obstante, dicho nivel de significancia
estadística es aceptable, con lo cual se puede concluir que la productividad de
la mano de obra es mayor en las operaciones mineras superficiales que en las
subterráneas.
42
Capítulo 6: Conclusiones
1. La minería peruana ha sido muy dinámica en los últimos años y ha
generado ingresos récords por concepto de exportaciones y aportes al fisco.
Sin embargo, al mismo tiempo se han producido cambios muy importantes en
la productividad que no han sido destacados ni examinados
2. Debido a que la información sobre costos mineros no es fácilmente
accesible, los estudios sobre productividad minera no son muy frecuentes. El
Ministerio de Energía y Minas no publica estadísticas al respecto, y la
información publicada permite hacer un cálculo simple de la productividad de la
mano de obra.
3. El tratamiento estadístico de los accidentes en el sector minero
constituye una técnica general analítica de gran rendimiento en seguridad al
permitir el control sobre el número de accidentes a lo largo de distintos
periodos de tiempo, lo cual posibilita conocer la situación sobre el grado de
accidentabilidad del sector.
4. La seguridad está integrada en cada una de las fases de los procesos
productivos con el objetivo de lograr las condiciones necesarias para la
máxima eficacia en la Gestión de Riesgos Laborales. Hay una preocupación
constante del Estado por la protección de la integridad física de los
trabajadores, del patrimonio de las empresas titulares y de las empresas
contratistas, y además del cuidado del medio ambiente. Recientemente fue
aprobado el Reglamento de Seguridad y Salud Ocupacional en minería
mediante el D.S. N° 024-2016-EM.
5. La medición del desempeño en seguridad laboral durante los proyectos
puede mejorarse complementando el sistema de reportes de índices de
accidentabilidad con indicadores de desempeño positivo (IDP). Estos IDP
deben estar enfocados a la medición de factores o sucesos que indiquen un
progreso o logros en materia de seguridad, en vez de medir retrocesos como
lo hacen los índices de accidentabilidad.
6. El modelo planteado es una primera aproximación al problema de
cuantificar el impacto de la accidentabilidad en la productividad de las minas
43
peruanas. Esta información obtenida permitirá a los Gerentes mejorar el
control de las actividades operativas y mejorar la gestión de seguridad para
reducir la probabilidad de accidentes. Así mismo permitirá, a las autoridades
sectoriales y fiscalizadoras (MEM, OSINERGMIN y SUNAFIL), evaluar los
resultados de la gestión de Seguridad y Salud Ocupacional en la Gran y
Medina Minería a nivel nacional.
7. En relación al modelo, se comprueba el nexo que existe entre la
seguridad y la productividad: empresas mineras que exhiben mejores
indicadores de seguridad son más productivas. Adicionalmente, los resultados
obtenidos permiten concluir que la tercerización de la mano de obra tiene un
impacto negativo sobre la productividad. Asimismo, la ecuación estimada
sugiere que las operaciones mineras superficiales exhiben una mayor
productividad, así como que el tamaño de la operación (economías de escala)
influye positivamente sobre la productividad de las empresas. Por último, la
productividad del capital (activos fijos) también influye favorablemente sobre la
productividad de la mano de obra.
44
Capítulo 7: Recomendaciones
1. La inversión en medidas de seguridad para cumplir con las normas es
una actividad costosa para las empresas mineras, por lo que es necesario
hacer un análisis para determinar el nivel óptimo de seguridad teniendo en
cuenta los costes y beneficios de las políticas de seguridad.
2. Extender el análisis incorporando variables de contaminación ambiental
dado que estas variables están ligadas a la productividad.
3. Extender el análisis incluyendo a otras unidades de análisis, como las
compañías mineras formales, de menor capacidad instalada.
4. Los resultados del estudio proporcionan información para adecuar la
investigación; por ejemplo, de empresas productoras de un mismo mineral, por
zonas geográficas específicas.
5. Ampliar la muestra para realizar estudios con empresas mineras de un
solo tipo de actividad de cielo abierto o de tipo subterráneo, para ello
incrementar el número de empresas para realizar análisis inferencial sin
restricción en los grados de libertad.
6. Es importante que la cultura de seguridad y salud ocupacional sea
internalizada por las empresas en todos los niveles, comprometiéndose desde
los altos ejecutivos hasta los obreros, tarea importante a ser cumplida por los
comités de seguridad.
7. La baja en la productividad a raíz de la disminución de leyes y al uso de
procesos productivos más costosos es un factor común a la minera mundial.
Estos aspectos aún no han sido evaluados en la minería peruana, por lo que se
recomienda realizar un estudio complementario para analizar el impacto de
estos factores en la productividad de las minas.
8. El MEM debe exigir a todas las Empresas Mineras, que adicionalmente a
los índices de seguridad reportados vía extranet, también incluyan
mensualmente la inversión realizada en seguridad.
45
Referencias Bibliográficas
Arancibia F. S. (2012). Análisis de Índices de Accidentabilidad en la Construcción de Proyectos EPCM para la Minería. Santiago de Chile : Universidad de Chile - Facultad de Ciencias y Matemáticas.
Baronio, A. y Vianco, A. (2014). Datos de panel. Guía para el uso de Eviews. Departamento de Matemática y Estadística. Córdoba : Universidad Nacional de Río Cuarto, Facultad de Ciencias Económicas. Recuperado de http://www.econometricos.com.ar/wp-content/uploads/2012/11/datos-de-panel.pdf
Brahm F., Singer M., Valenzuela L y Ramírez C. (2011). Comparación Internacional de sistemas de Salud y Seguridad Laboral. Santiago de Chile : OIT-Pontificia Universidad Católica de Chile.
Gowrisankaran G., He C., Lutz E., Burgess J. (November 2014) Productivity and Safety in Coal Mining: Evidence from Disasters and Fatalities (pp. 1-26). Arizona-USA : University of Arizona.
Gujarati, Damodar & Dawn Porter (2010). Econometría ( 5a ed.). México D.F. : McGraw-Hill Interamericana.
Montero, R. (2005). Test de Hausman. Documentos de Trabajo en Economía Aplicada. Universidad de Granada, España. Recuperado de http://www.ugr.es/~montero/matematicas/hausman.pdf
Universidad de Granada. (2011). Efectos fijos o aleatorios: test de especificación, Documentos de Trabajo en Economía Aplicada. Granada, España. Recuperado de http://www.ugr.es/~montero/matematicas/especificacion.pdf
Valverde J., Betancour M. (2013). Midiendo la Productividad en la Minería Chilena. Santiago de Chile : Comisión Chilena del Cobre-Dirección de Estudios.
Vasquez A., Salvador J., Garcia R. y Fernandez V. (February 2013). Assessing risks and regulating safety standards in the oil and gas industry: The Peruvian experience. Working Paper N°30. Lima, Perú : Office of Economy Analysis-OSINERGMIN.
46
ANEXO I
PRODUCTIVIDAD Y ACCIDENTABILIDAD DE LAS MINAS PERUANAS
47
ANEXO II
TEST DE HAUSMAN
Correlated Random Effects - Hausman Test
Equation: Untitled
Test period random effects
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Period random 1.133828 4 0.8889
Period random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob.
LICA -0.230668 -0.218827 0.000175 0.3711
LAFTMD -0.296056 -0.306424 0.000195 0.4583
LTERC -0.636869 -0.647052 0.000118 0.3483
LTMD 0.574420 0.567601 0.000070 0.4146
Period random effects test equation:
Dependent Variable: LPR
Method: Panel Least Squares
Date: 07/19/17 Time: 17:23
Sample: 2010 2014
Periods included: 5
Cross-sections included: 15
Total panel (balanced) observations: 75
Variable Coefficient Std. Error t-Statistic Prob.
C -7.107576 0.194763 -36.49350 0.0000
LICA -0.230668 0.043151 -5.345578 0.0000
LAFTMD -0.296056 0.050253 -5.891308 0.0000
LTERC -0.636869 0.100196 -6.356234 0.0000
LTMD 0.574420 0.031263 18.37389 0.0000
Effects Specification
Period fixed (dummy variables)
R-squared 0.944042 Mean dependent var -1.015116
Adjusted R-squared 0.937259 S.D. dependent var 1.305755
S.E. of regression 0.327067 Akaike info criterion 0.714866
Sum squared resid 7.060228 Schwarz criterion 0.992965
Log likelihood -17.80748 Hannan-Quinn criter. 0.825908
F-statistic 139.1814 Durbin-Watson stat 0.957781
Prob(F-statistic) 0.000000
48
TEST DE EFECTOS FIJOS
Redundant Fixed Effects Tests
Equation: Untitled
Test period fixed effects
Effects Test Statistic d.f. Prob.
Period F 0.285135 (4,65) 0.8866
Period Chi-square 1.304597 4 0.8606
Period fixed effects test equation:
Dependent Variable: LPR
Method: Panel Least Squares
Date: 07/19/17 Time: 17:02
Sample: 2010 2014
Periods included: 5
Cross-sections included: 15
Total panel (balanced) observations: 75
Variable Coefficient Std. Error t-Statistic Prob.
C -6.493240 0.402214 -16.14376 0.0000
LICA -0.194058 0.042337 -4.583610 0.0000
LAFTMD -0.314137 0.046886 -6.700001 0.0000
LTERC -0.633431 0.096628 -6.555348 0.0000
LTMD 0.515197 0.042610 12.09108 0.0000
METEXP -0.238617 0.141634 -1.684747 0.0966
R-squared 0.945329 Mean dependent var -1.015116
Adjusted R-squared 0.941368 S.D. dependent var 1.305755
S.E. of regression 0.316177 Akaike info criterion 0.611587
Sum squared resid 6.897771 Schwarz criterion 0.796986
Log likelihood -16.93452 Hannan-Quinn criter. 0.685615
F-statistic 238.6208 Durbin-Watson stat 0.940750
Prob(F-statistic) 0.000000
49
ANEXO III
PRIMERA APROXIMACION DEL MODELO
ANEXO IV
MODELO ESTIMADO
Estimation Command: LS LPR C LICA LAFTMD LTERC LTMD METEXP Estimation Equation: LPR = C(1) + C(2) *LICA + C(3)*LAFTMD + C(4) *LTERC + C(5)*LTMD + C(6)*METEXP Substituted Coefficients: LPR = -6.49324 - 0.19406*LICA - 0.31414*LAFTMD - 0.63343*LTERC + 0.51520*LTMD - 0.23862*METEXP
Dependent Variable: LPR
Method: Panel Least Squares
Date: 07/20/17 Time: 11:33
Sample: 2010 2014
Periods included: 5
Cross-sections included: 15
Total panel (balanced) observations: 75
Variable Coefficient Std. Error t-Statistic Prob.
C -2.243431 0.342847 -6.543538 0.0000
LICA 0.090665 0.061690 1.469684 0.1461
LAFTMD -0.620097 0.069207 -8.960076 0.0000
LTERC -0.703915 0.169113 -4.162386 0.0001
METEXP -1.488742 0.169722 -8.771626 0.0000
R-squared 0.829496 Mean dependent var -1.015116
Adjusted R-squared 0.819752 S.D. dependent var 1.305755
S.E. of regression 0.554365 Akaike info criterion 1.722355
Sum squared resid 21.51248 Schwarz criterion 1.876855
Log likelihood -59.58833 Hannan-Quinn criter. 1.784045
F-statistic 85.13664 Durbin-Watson stat 0.590427
Prob(F-statistic) 0.000000
Dependent Variable: LPR
Method: Least Squares
Date: 07/19/17 Time: 16:09
Sample: 1 75
Included observations: 75
Variable Coefficient Std. Error t-Statistic Prob.
LICA -0.194058 0.042337 -4.583610 0.0000
LAFTMD -0.314137 0.046886 -6.700001 0.0000
LTERC -0.633431 0.096628 -6.555348 0.0000
LTMD 0.515197 0.042610 12.09108 0.0000
METEXP -0.238617 0.141634 -1.684747 0.0966
C -6.493240 0.402214 -16.14376 0.0000
R-squared 0.945329 Mean dependent var -1.015116
Adjusted R-squared 0.941368 S.D. dependent var 1.305755
S.E. of regression 0.316177 Akaike info criterion 0.611587
Sum squared resid 6.897771 Schwarz criterion 0.796986
Log likelihood -16.93452 Hannan-Quinn criter. 0.685615
F-statistic 238.6208 Durbin-Watson stat 1.248397
Prob(F-statistic) 0.000000
50
ANEXO V
PERU: EMPRESAS MINERAS ESTADISTICAS DESCRIPTIVAS. TIPO DE MINERIA SUBTERRANEA
ANEXO VI
PERU: EMPRESAS MINERAS ESTADISTICAS DESCRIPTIVAS. TIPO DE MINERIA SUPERFICIAL
PR ICA AFTMD TERC TMD
Mean 0.255 3.584 0.089 0.685 4,764
Median 0.238 1.963 0.057 0.751 2,368
Maximum 0.719 23.206 0.339 0.966 20,888
Minimum 0.008 0.145 0.006 0.128 35
Std. Dev. 0.169 4.169 0.088 0.189 5,306
Skewness 0.942 2.597 1.361 -1.762 2
Kurtosis 3.496 11.454 3.889 5.389 5
Jarque-Bera 7.913 205.094 17.081 37.770 28.510
Probability 0.019 0.000 0.000 0.000 0.000
Sum 12.769 179.185 4.461 34.247 238,199
Sum Sq. Dev. 1.401 851.553 0.383 1.754 1,380,000,000
Observations 50 50 50 50 50
PR ICA AFTMD TERC TMD
Mean 2.120 2.384 0.063 0.646 85,087
Median 1.380 2.128 0.022 0.695 38,646
Maximum 6.476 6.652 0.385 0.867 236,191
Minimum 0.087 0.199 0.005 0.336 2,581
Std. Dev. 1.900 1.756 0.107 0.160 86,469
Skewness 0.786 0.675 2.178 -0.519 1
Kurtosis 2.338 2.695 6.162 2.055 2
Jarque-Bera 3.034 1.994 30.181 2.052 3.254
Probability 0.219 0.369 0.000 0.358 0.197
Sum 52.995 59.596 1.580 16.162 2,127,182
Sum Sq. Dev. 86.660 73.983 0.274 0.617 1.79E+11
Observations 25 25 25 25 25
51
ANEXO VII
DATA ESTADISTICA DE LAS VARIABLES
EMPRESA YEAR PR ICA AFTMD TERC TMD METEXP
Castrovirreyna Compañía Minera S. A
2010 0.0081 0.5207 0.3197 0.7631 35 1
2011 0.0611 0.8438 0.0411 0.9655 350 1
2012 0.1678 0.4161 0.0589 0.8087 686 1
2013 0.1583 2.2152 0.0544 0.8653 770 1
2014 0.2173 0.1451 0.0789 0.6543 710 1
Compañía de Minas Buenaventura S.A. A
2010 0.0906 13.8394 0.1194 0.7859 5,320 1
2011 0.0843 23.2060 0.1419 0.8155 5,856 1
2012 0.0778 6.1308 0.1947 0.7917 5,956 1
2013 0.0708 9.6950 0.2979 0.7678 5,087 1
2014 0.0829 8.4337 0.3392 0.7941 5,057 1
Compañía Minera Atacocha S.A. A
2010 0.4749 1.9017 0.0318 0.6583 4,393 1
2011 0.4011 1.7949 0.0317 0.7034 4,402 1
2012 0.3581 1.7030 0.0255 0.6954 4,159 1
2013 0.4651 1.5308 0.0204 0.6380 4,230 1
2014 0.5025 0.2125 0.0158 0.6885 4,402 1
Compañía Minera Milpo S.A. A
2010 0.6975 2.7853 0.0296 0.7336 12,155 1
2011 0.5624 4.2726 0.0292 0.7924 13,804 1
2012 0.4090 5.3183 0.0326 0.7646 15,748 1
2013 0.7194 1.6780 0.0217 0.7684 20,888 1
2014 0.6045 4.6690 0.0237 0.7753 18,426 1
Compañía Minera Poderosa S. A
2010 0.0639 5.5993 0.1903 0.7286 955 1
2011 0.0622 4.8060 0.2000 0.6672 1,006 1
2012 0.0610 6.3437 0.2240 0.7053 1,025 1
2013 0.0580 8.6679 0.2521 0.7193 1,020 1
2014 0.0589 3.8441 0.2622 0.6781 1,123 1
Compañía Minera Raura S. A
2010 0.4738 4.9825 0.0060 0.8213 5,034 1
2011 0.1684 2.1738 0.0157 0.8085 2,013 1
2012 0.1552 2.2205 0.0197 0.8214 2,033 1
2013 0.1529 0.5335 0.0185 0.8459 2,072 1
2014 0.1840 1.4267 0.0205 0.8408 2,028 1
Compañía Minera san Ignacio de Morococha
S.A. A
2010 0.3010 1.7423 0.0986 0.1907 1,636 1
2011 0.2740 1.7641 0.1093 0.1787 1,400 1
2012 0.2689 0.7869 0.1005 0.2299 1,499 1
2013 0.2127 0.3725 0.1092 0.2060 1,324 1
2014 0.2308 0.5229 0.1425 0.1278 979 1
Compañía Minera Santa Luisa S. A
2010 0.3316 1.3916 0.0422 0.5540 1,651 1
2011 0.1898 0.3629 0.0629 0.6179 1,091 1
2012 0.2388 2.0244 0.0890 0.6083 1,643 1
2013 0.2426 1.3629 0.0776 0.5097 1,510 1
2014 0.2514 1.4628 0.0896 0.4985 1,407 1
MINSUR S. A 2010 0.2572 0.7699 0.2947 0.7142 2,783 1
2011 0.1326 2.1276 0.3253 0.8049 2,620 1
2012 0.0870 3.4120 0.3852 0.7332 2,581 1
2013 0.7051 0.9140 0.0522 0.7234 16,979 0
2014 0.9033 0.3783 0.0256 0.6946 19,959 0
SHOUGANG HIERRO PERU S.A. A
2010 1.2590 4.8322 0.0280 0.5500 34,112 0
2011 1.3672 3.5246 0.0282 0.4555 37,826 0
52
2012 1.5458 3.4214 0.0261 0.5236 38,646 0
2013 1.4802 1.7658 0.0318 0.5860 41,851 0
2014 1.3802 2.7344 0.0387 0.6140 43,905 0
Sociedad Minera Cerro Verde S.A. A
2010 6.4757 1.3497 0.0053 0.6375 208,591 0
2011 5.2874 1.4645 0.0059 0.7736 207,787 0
2012 4.7096 1.6334 0.0090 0.6813 205,122 0
2013 4.6835 1.5713 0.0126 0.7456 224,839 0
2014 2.0187 6.6516 0.0192 0.8482 236,191 0
Sociedad Minera Corona S. A
2010 0.2706 2.8162 0.0347 0.7588 2,393 1
2011 0.2558 0.6674 0.0197 0.7448 2,343 1
2012 0.2371 1.2093 0.0179 0.7396 2,427 1
2013 0.2078 3.0590 0.0202 0.7605 2,453 1
2014 0.2401 0.9532 0.0216 0.7581 2,591 1
Sociedad Minera El Brocal S.A. A
2010 0.3733 0.1987 0.0134 0.7547 5,973 1
2011 0.7447 0.2242 0.0179 0.7795 9,711 0
2012 0.8004 2.2550 0.0224 0.8271 10,792 0
2013 0.4293 0.2827 0.0244 0.8672 9,745 0
2014 0.2677 0.6653 0.1460 0.8025 4,220 1
Southern Peru Copper Corporation-Peru
2010 4.6630 3.4060 0.0124 0.3363 154,989 0
2011 4.2391 3.4182 0.0126 0.3713 156,855 0
2012 3.3590 5.2912 0.0135 0.3746 144,543 0
2013 3.0007 2.3800 0.0143 0.4429 153,383 0
2014 2.8249 4.9241 0.0155 0.5205 153,180 0
Volcan Compañía Minera S.A. A
2010 0.3364 4.1865 0.0161 0.7211 19,294 1
2011 0.2643 8.4979 0.0173 0.8514 10,019 1
2012 0.2342 10.3857 0.0652 0.7971 10,142 1
2013 0.2699 2.3502 0.0963 0.7624 10,694 1
2014 0.2596 1.3560 0.1136 0.7658 10,964 1
Fuente: OSINERGMIN - Bolsa de Valores de Lima Elaboración propia
PR: productividad ICA: Indice Consolidado de accidentabilidad AFTMD: Activos Fijos por TMD producida TERC: Proporción de trabajadores de terceros TMD: Toneladas métricas producidas por día METEXP: Método de explotación